当今我国能源和环境问题日益突出,电动汽车凭借其排放少、污染小和噪音小等优点,得到了大力推广和广泛关注。电池管理系统(Battery Management System,BMS)及其核心算法等电动汽车关键技术的研究成为当下研究热点,其中荷电状态(State of Charge,SOC)的在线准确估计是BMS研究的重点问题。本论文依托国家自然科学基金面上项目“锂离子动力电池状态与参数自适应联合估计理论研究”,重点研究了基于双扩展卡尔曼滤波(Dual Extended Kalman Filter,DEKF)的模型参数和荷电状态联合在线估计方法及其在BMS中的开发实现,全文内容如下所列:首先,介绍了5种锂离子电池等效电路模型,选择结构简单、参数辨识容易的戴维南等效电路模型作为研究使用的电池模型;利用离线参数辨识实验获取电池参数,分析了各参数随SOC、温度和倍率的变化规律;推导了离散的锂离子电池状态空间方程。其次,为了解决模型参数在复杂环境下变化导致SOC估计精度降低的问题,提出了基于带遗忘因子的递推最小二乘法(Forgetting Factor Recursive Least Squares,FFRLS)的参数在线辨识方法和基于扩展卡尔曼滤波(Extended Kalman Filter,EKF)的参数在线辨识方法,并进行了宽温区、多工况的动态工况测试,通过比较发现基于EKF的参数在线辨识方法具有更高的精度。之后,将参数在线辨识和SOC估计相结合,构建了基于DEKF的模型参数和荷电状态联合在线估计方法,实现了模型参数和SOC实时在线估计,并在Matlab/Simulink中构建了仿真模型;利用动态工况测试数据,从三个误差源入手,全面、系统地讨论了DEKF方法在复杂运行环境下的鲁棒性,得出结论:DEKF算法具有较强的鲁棒性和较高的SOC估计精度,SOC估计误差绝对值在3%以内,收敛时间在100s以内。最后,进行DEKF算法在BMS中的开发与实现,搭建实验平台进行台架实验,模拟各种复杂工况,在线验证DEKF算法在实际系统中适用性和可靠性,得出结论:在宽温区、多工况下,BMS中的DEKF算法均表现出良好的SOC估计性能,SOC估计误差绝对值在3%以内,收敛时间在100s以内。本文首次将DEKF算法移植进实际的BMS中,对该算法的工程化应用做了积极有益的探索。